スピーカー | 成績証明書 |
| Cホイットマン | よし。 さて、私の講演にご参加いただきまして誠にありがとうございます。 私の名前はチャーリー・ホイットマンです。 私は Corvo にいます。今日は R を使用した JMP でのステップ応力モデリングについて話します。 |
| それではまず、自己紹介から始めたいと思います。 ストレステストとは何なのか、そしてなぜそれを行うのかについて少しお話します。 |
| 基本的な種類は 2 つあります。 継続的なストレスと段階的なストレスがあります。それぞれについて少し話します。 次に、ステップ ストレス テストまたはコンスタント ストレス テストの結果が得られたとき |
| はモデルパラメータの推定値です。 それが予測をするために必要なことなのです。 したがって、ストレス テストでは、非常に高い応力の部分にストレスを与え、そのデータを取得して使用条件を推定します。そのためにはモデル パラメーターが必要です。 |
| ただし、モデル パラメーターは話の半分にすぎません。 また、これらの推定値にはある程度の不確実性があることも認めなければなりません。この推定値は信頼限界を持って推定するつもりです。そのために私が使用したブートストラップ手法についてお話します。 |
| そして一日の終わりには、 |
| 最尤推定値とブートストラップ信頼限界を利用して、安全動作領域と呼ばれるものを作成できます。 |
| SOA は信頼性マップのようなものです。 これを応答曲面と考えることもできます。 そこで、パーツを操作するのに安全な領域と安全ではない領域を見つけます。 そして、いくつかの結論に達します。 |
| では、ストレステストとは何でしょうか？ ストレス テストでは、故障するまで部品にストレスを与えます。 さて、失敗しないこともあります。場合によっては、テストを開始したり停止したり、別のことを行う必要がある場合もあります。 |
| この場合、センサー データ ポイントはありますが、シミュレーションで使用される最尤法ではセンサーが考慮されるため、100% 失敗する必要はありません。 故障しない部分もあるくらい余裕があります。 |
| それで、あなたがやることは、計画された実験やマトリックスなどに従って、さまざまな条件下でこれらの部分にストレスを与えることです。 だからあなたは走るかも知れません |
| 応力は温度、電力、電圧などの可能性があり、さまざまな条件、さまざまな応力の下で部品を実行し、それらのデータをモデルに適合させて、使用条件を推定します。 |
| mu = InA + ea/kT。 |
| Mu は分布の対数平均です。通常は対数正規分布を使用します。 これは定数項に温度項を加えたものになります。 |
| mu は温度に反比例することがわかります。 つまり、温度が上がるとμは下がり、温度が下がるとμは上がります。 対数正規を使用できる場合は、形状係数シグマという追加パラメーターも使用できます。 |
| したがって、テストを実行した後、非常にストレスがかかった条件下でいくつかの部品を実行し、それらをモデルに適合させます。 これら 2 つを組み合わせることで、使用条件での動作を予測できるようになります。これが本当の意味です。 |
| 最も一般的な方法は、一定のストレス テストであり、基本的にストレスはテスト期間中固定されます。 したがって、これはその一例を示しているだけです。 ここには温度対時間のプロットがあります。 |
| 気温が非常に低い場合、障害が永続的に発生する可能性があるとします...それは場合によっては非常に長い間続きます。 |
| 故障時間は、たとえば対数正規分布などに応じてランダムになる可能性があります。 もう少し温度を上げてみると、 |
| 故障時間の分布は終了しますが、平均すると故障時間は短くなるでしょう。 |
| さらに温度を上げた場合も同様ですが、故障時間はそれよりもさらに短くなります。 したがって、私にできることは、たとえば、これらの異なる温度下で多数の部品を実行した場合、結果を次のような確率プロットに当てはめることができるということです。 |
| ここでは、最高温度での確率と故障までの時間を示しています。 この例は摂氏 330 度で、対数正規に設定した一連の故障時間があります。 そして、温度をどんどん下げていくと、故障時間がどんどん長くなっていきます。 |
| 次に、温度に関するこのすべてのデータを取得し、それをアレニウス モデルに当てはめて外挿します。 そして、使用条件で予測が得られることが分かりました。 これが私たちが求めているものです。 |
| これらの加速テスト、このテストを実行するときは、非常に高いストレス下で実行する必要があることを指摘したいと思います。次のような理由があります。 |
| これは、たとえば 1000 時間程度持続するとしても、使用条件下での部分は 10 億時間になると予測しており、それができるわけがありません。 |
| 10億時間テストを実行します。 したがって、テストを適切な時間内に完了させる必要があり、それが加速テストを行っている理由です。 |
| では、ステップストレスとは何でしょうか？ ご想像のとおり、段階的にストレスが増加する場合、ステップ ストレスが発生します。 |
| またはある種のスロープ。 利点は、リアルタイムで時間が節約できることです。 前回のプロットで示したように、 |
| これらのテストは非常に長時間続き、場合によっては 1000 時間にも及ぶ可能性があります。 つまり、テストが終了するまでに数週間または数か月かかる可能性があります。 ステップストレステスト |
| はるかに短い場合もあれば、数時間または数日で完了できる場合もあります。 したがって、実際の時間の節約になります。 しかし、分析はさらに難しいので、それについては後ほど説明します。 |
| したがって、コルボで私たちが行った研究では、音響フィルターの信頼性を研究していますが、それらは RF デバイスです。 したがって、RF におけるストレスは RF 電力です。 |
| そして、失敗するまでパワーを上げていきます。 |
| したがって、パワーを強化する場合は、この式を使用してこれをモデル化できます。 基本的にはアレニウス方程式と同じですが、別の項 n log p を追加しています。 |
| N はパワー加速パラメータです。 pは私たちの力です。 したがって、対数正規分布の場合、形状係数である 4 番目のパラメーター、シグマが存在します。 つまり、パラメータは 1、2、3、4 つあります。 |
| これがどのようなものになるのか、簡単な例を示しましょう。 |
| 始めましょう、これは力と時間です。 パワーはdBm単位で表示されます。 33.5 dBm などの出力から開始し、うまくいけば失敗するまでステップを繰り返していきます。 |
| そして、私が指摘したいのは、 |
| 電力が変化し、部品への電力が増加すると、温度が変化します。 したがって、電力が増加すると、温度も増加します。 したがって、電力と温度は混同されます。 |
| したがって、温度と電力の影響を分離できる方法で実験を行う必要があります。 そこで私が指摘したいのは、 |
| これら 2 つの用語 (温度と電力) があるため、部品への電力を増やすと部品が熱くなるだけではなく、温度が部品を駆動するのです。 そのパワー自体も故障率を高めます。 |
| 右。 それでは、ステップ応力プロットについてもう少し詳しく説明します。 |
| ここでもパワーと時間の関係になります。 たとえば、あるパーツをある程度のパワーで 5 時間実行し、その後ストレスを増やし、さらに 5 時間実行して、失敗するまでストレスを増やします。 |
| したがって、先ほども述べたように、出力が増加するにつれて温度も上昇します。 したがって、それを何らかの方法で考慮する必要があります。 私はそれが何であるかを知らなければなりません |
| t = T 周囲 + R 回 p |
| T ambient は周囲温度です。 P はパワーです。 R th は熱インピーダンスと呼ばれ、定数です。 つまり、出力を設定すると、出力がどのくらいになるのかがわかり、各ステップの温度も推定できるということになります。 |
| そこで、私たちがやりたいことは、ステップ ストレス パターンから取得したこれらの失敗時間を何らかの方法で取得し、それを使用条件に推定することです。 |
| ここだけの時間差分だけ走ってたら |
| そして、条件を使用してそれを外挿したかったのですが、私が行うことは、加速係数を乗算して、同等の時間デルタ t を取得することです。 そして、これが加速係数です。 活性化エネルギー項、温度項、電力項があります。 |
| そこで、私なら AF を掛けます。 そして、高いストレスから低いストレスに移行するため、AF は 1 よりも大きくなります。これは説明のためだけであり、1 よりもそれほど大きいわけではありませんが、アイデアは理解できると思います。 |
| そして、パワーを上げると、温度とパワーが変化するため、AF はステップごとに変化します。 |
| したがって、使用条件で同等の時間を取得したい場合は、合計を計算する必要があります。 したがって、各セグメントがあります。 |
| 独自の加速係数とおそらく独自のデルタ t を持っています。 そして合計を計算すると、同等の時間が得られます。 |
| つまり、この式は、Ea が何であるか、n が何であるかを正確に知っていれば、それらを使用して機器の時間を予測することができ、同等の時間が何であるかを予測することができます。 それがアイデアです。 |
| つまり、先ほど述べたように、温度と電力は混同されていることがわかります。 したがって、推定するには、2 つの異なる周囲温度を実行する必要があります。 |
| 周囲温度が十分に分離されていれば、電力と温度の影響を実際に分離することができます。 |
| また、少なくとも 2 つのランプ レートも必要です。 したがって、少なくとも、ランプ率と周囲温度の 2 行 2 列の行列が必要になります。 |
| 私が行ったシミュレーションでは、ここに示すように 3 つの異なるレートを選択しました。 dBm 単位のパワーとストレス時間の関係 |
| そして、レートが異なる 3 つの異なるランプがあります。 ランプ速度を高速、中程度、低速に設定します。 実際には、これを失敗するまで延々と続けますが、私は数時間後に勝手に切断しただけです。 ここにも天井があることがわかります。 |
| 天井は4つです。それは、ストレスや電力を恣意的に増加させれば、故障メカニズムを変更できることがわかったからです。 |
| そして、あなたがしたいのは、加速条件下での故障メカニズムが使用条件下での故障メカニズムと同じであることを確認することです。 そして、私が変更すると、 |
| 故障のメカニズムを推測することはできません。 外挿は有効ではありません。 |
| したがって、ここでは上限を 34.4 dBm に設定し、それに近づかないように少しのバッファーも与えました。 |
| したがって、周囲温度は 45 ℃、出力 33.5 dBm で開始するため、別の条件セットも用意されます。 |
| 135度。 ほら、ここのパターンが同じであることがわかります。 そして、私たちには天井があり、彼らにはバッファ領域があります。低電力で開始することを除けば、すべてです。 つまり、以前は 33 dBm を超えていたのに対し、ここでは 32 dBm を下回っています。 |
| なぜそうするのかというと、この高温では電力を下げないと、注意しないとすぐに障害が発生し、データを使用して実行できなくなるからです。あなたの外挿。 |
| さて、必要なのは、前に示したように、同等の時間を表す式です。 その表現がこちらです。 これは |
| これはちょっと厄介な話で、等価使用時間条件の分布の式が何であるかの第一原理からどのように導出すればよいのかわかりません。 それで、そのようなちょっと難しいことに直面したとき、私が選択したのはブートストラップを使用することでした。 |
| では、ブートストラップとは何でしょうか? |
| したがって、ブートストラップでは、データセットを置換しながら何度もリサンプリングしています。 つまり、観測値の元のデータ セットから、元のデータ セットの複製を取得できるか、観測値がすべて表示されない可能性があります。 |
| そして、私が使用するアプローチは、分布を仮定していないため、ノンパラメトリックと呼ばれます。 データの基礎となる分布を知る必要はありません。 |
| したがって、これらの多数のブートストラップ サンプルを生成すると、パラメータの近似分布として取得できるため、統計的推論が可能になります。 特に、私たちは物事に信頼限界を設定することに興味があります。 それが私たちがしなければならないことなのです。 |
| ブートストラップの簡単な例は、パーセンタイル ブートストラップと呼ばれます。 たとえば、ある推定値に対して 90% の信頼限界が必要だとします。 |
| そして、私は、非常に多くのブートストラップ複製を作成し、各ブートストラップ サンプルからパラメーターを抽出します。 そしてそれを分類し、そのベクトルからのシフトと 95 パーセンタイルがどれであるかを判断し、それらが 90% の信頼限界を形成します。 |
| 私が実際に仕事で行ったことは、パーセンタイルを改良したテクニックを使用したことです。 バイアス修正と加速を意味する BCa と呼ばれます。 |
| バイアスとは、推定値に偏りがある場合があり、この方法ではそれが考慮されるためです。 |
| 加速されましたが、残念ながら、ここでの加速という用語は混乱を招きます。 それは加速テストとは何の関係もありません、それは方法に関係しており、方法は調整に関係しています |
| 分布の歪度について。 でも最終的にあなたは...あなたが得ようとしているものは |
| さまざまなパーセンタイル値が選択されます。 繰り返しになりますが、パーセンタイル手法では 5 位と 95 位でした。 |
| ブートストラップや BCa ブートストラップでは、3 番目のパーセンタイルや 96% など、何か違う結果が得られるかもしれません。 そしてそれらは、90% の信頼限界で選択する必要があるものです。 |
| したがって、これを明確にするために、非常に簡単な例を見ていきたいと思います。 |
| 10 個の観測値があり、そこからブートストラップ サンプルを次のように実行したいとします。 したがって、たとえば、ここでの最初の観測値 24.93 は、最初のサンプルで 2 回、2 番目のサンプルで 1 回というように発生します。 |
| 25.06 は 2 回発生します。 25.89 はまったく発生せず、この場合は 100 回実行できます |
| そして、各ブートストラップ サンプルについて、この場合は平均を求めます。たとえば、平均の分布に興味があります。 さて、ここに私の平均分布があります。 |
| そして、それがどのようなものであるかを確認することができます。 ここにいます。 |
| かなり釣鐘型に見えます。ここにいくつかのポイントが強調表示されています。パーセンタイル手法を使用した場合、これらが 90% の信頼限界になります。 |
| これがソートされたベクトルで、5 パーセンタイルは 25.84、95 パーセンタイルは 27.68 です。 |
| BCa メソッドを実行したい場合は、ある種の異なるパーセンタイルを取得するだけかもしれません。 つまり、この場合、25.78 と 27.73 です。 だから〜だ |
| BCa メソッドとは何かを簡単に説明します。 したがって、私たちの場合、サンプルは次のとおりです... |
| ストレスパターンに対してブートストラップを実行します。 複数のサンプルがあり、それらの異なる応力パターンの下で実行、シミュレーションが行われ、 |
| それらをブートストラップします。 そして、以前の推定値または以前のパラメータ、logA、EA、およびシグマの分布を取得します。 |
| 右。 |
| Cホイットマン | 繰り返しになりますが、これが私たちの方程式です。 |
| もう一度言います、JMP |
| 私が持っている JMP のバージョンはブートストラップを行いません。 JMP Pro は可能ですが、私が持っているバージョンはそうではありませんが、幸いなことに R はブートストラップを行います。 そして、JMP 内から R を呼び出すことができます。 だからこそ、この方法でやることにしました。 ので、私は持っています |
| 私にはできますが、R はすべての大変な仕事をします。 だから見せたいのです |
| たとえば、logA、EA、シグマの既知の真の値をいくつか選択しました。 ある範囲でランダムに選びました。 |
| そして、これらのパラメーターに同じ値を数回選択し、そのたびにサンプルを生成することを選択します。 たとえば、logA true に対してマイナス 28.7 を 3 回選択し、 |
| これからデータを取得します。 テスト レベルごとに合計 5 つの部分、または 6 つのテスト レベルがありました。覚えていると思いますが、3 つのランプ、2 つの異なる温度、6 つのレベル、6 × 5 は 30 です。 |
| したがって、このテストでは合計 30 個のパーツが実行され、logA ハットを見ると、最尤推定値はおよそ 28 程度です。 |
| それで、それは実際にはかなりうまくいきました。 さて、次のサンプルとして、ここで 3 つの反復を実行しました。たとえば、マイナス 5.7 で、そのマイナス 5.7 程度の最大値のメソッドを実行したときにどのように表示されたかがわかります。 したがって、この方法はかなりうまく機能しているようです。 |
| しかし、これをもう少し詳しくやってみましょう。 |
| ここで私は走った |
| シミュレーションはグループごとに 5 回、合計 250 回行われました。 |
| LogA true、EA true が 5 回繰り返され、logA Hat、EA などについて異なる推定値が得られます。 |
| また、BCa メソッドを使用して、これらの各パラメーターの信頼限界と失敗までの時間の中央値を形成します。 それでは、このデータを見てプロットして、どれだけうまくいったかを見てみましょう。 |
| ここでは logA ハットと logA true があり、傾きがほぼ 1 付近にあり、切片が 0 と大きく変わらないことがわかります。したがって、これは実際にはかなり良い仕事をしています。 私のlogAがtrueの場合、 |
| マイナス 15 であれば、推定値はマイナス 15 プラスマイナスあたりになります。 他のパラメータ EA、n、sigma にも同じことが当てはまり、私は特定の p ゼロ P ゼロでさえも行いました。 したがって、これはすべて非常にうまく動作しています。 |
| また、BCa メソッドがどの程度うまく機能しているのかも知りたいと思っています。 まあ、結局のところ、それはかなりうまくいきました。 |
| したいのですが...問題は、BCa メソッドがどの程度成功したかです。 そして、ここに配布物があります。 既知の真の値を正しく括弧に入れるたびに、1 が得られました。 見逃したら0点です。 |
| したがって、logA については、91% の確率で既知の真の値を正しく括弧に入れています。 95% の確率で選択していたので、かなり近いです。 私は 90 台前半で、活性化、エネルギーなどについてはほぼ同じ結果を得ています。それらはすべて 90 台半ばから前半です。 つまり、それは実際にはかなり良い一致です。 |
| ここで、ブートストラップの反復回数を増やしてブートを 100 から 500 に増やした場合に何が起こるかを確認したいとします。 それは何のように見えますか？ |
| MLE と真の値をプロットすると、ほぼ同じ結果が得られます。 |
| 見積もりはかなり良いです。 傾きは常に 1 付近であり、切片は常に 0 付近です。 それで、それはかなり行儀が良いです。 |
| そして、信頼限界幅を見ると、 |
| 平均して、ここでは信頼限界幅が約 23、mu が約 20、そして が約 8 となっています。 |
| 値n。 したがって、これらの信頼帯域は実際にはある程度広いです。 |
| そして何が起こるか見てみたい。 さて、サンプルサイズを 50 に増やしたとします。 |
| 5つだけ使うのではなく？ 50 というサンプル サイズは現実的ではありません。これほど多くのサンプルを実行することはできません。 それを行うのは非常に難しく、非常に時間がかかります。 |
| ただし、これはシミュレーションなので、必要なだけパーツを実行できます。 確認のため、最尤推定値が既知の真の値とかなりよく一致していることが再度わかりました。 再度、傾き 1 を取得し、0 付近で切片を取得します。 |
| そしてBCa、 |
| 予想どおり、約 95% の確率でブラケット撮影が正しく行われています。 それもかなり行儀が良くて、私の自信の限界幅は、 |
| 今はもっと低くなりました。 したがって、サンプル サイズを増やすと、ご想像のとおり、会議の境界もそれに応じて低くなります。 |
| これはもともと20秒台後半でしたが、現在は約7秒です。 これも...ムーも20代後半でしたが、今は5歳くらいです。 n は最初は約 10 でしたが、現在は約 2.3 なので、サンプル サイズを増やすことでより良い動作が得られます。 |
| これは概要を示しただけで、次のようになります。 |
| ここでは、これらの異なるグループと比較した成功率を示します。 n はテスト レベルごとのパーツの数です。 |
| boot は私が作成したブートストラップ サンプルの数です。 したがって、5_100、5_500、および 50_500 を見ると、実際にはかなり平坦であることがわかります。 得られない |
| カバレッジが大幅に向上しました。 90年代前半から半ばくらいのものが手に入ります。 そしてそれはあなたが期待していることです。 |
| したがって、ブートストラップの反復数を変更したり、サンプルサイズを変更したりしても、それほど大きな変化はありません。 BCa は、テスト レベルごとに 5 つのパートがあり、ブートストラップの反復が 100 回であっても、かなり良い仕事をしたことと同等です。 |
| 幅について。 |
| しかし、ここでメリットが見えてきました。 したがって、ブートストラップの反復回数が増えるにつれて、信頼限界の幅は減少します。 そしてその上で、 |
| サンプルサイズを増やすと、信頼限界幅が大幅に減少します。 したがって、これらの動作はすべて予想されるものであり、 |
| しかし、ここで重要なのは、このシミュレーションでできることは、サンプル サイズはどのくらいにすべきか、事前に知ることができるということです。 |
| 1 つの条件につき 3 つのパートで済むでしょうか? 必要な信頼限界の幅を得るには、条件ごとに 5 つまたは 10 つのパートを実行する必要がありますか? |
| 同様に、分析を行っているとき、110 回で済むようにブートストラップを何回繰り返す必要があるでしょうか? 1000も必要ですか？ これにより、分析を行う際に何をする必要があるかについて事前に知ることができます。 |
| さて、ようやく、最尤推定値と信頼限界が得られました。 それで私たちはできるのです |
| 安全動作領域を使用して結果を要約できます。 |
| ここで得られるものは、信頼性マップ、または温度対電力の応答曲面のようなものです。 したがって、さまざまな条件下でその部品がどの程度信頼できるかがわかります。 |
| これはデザイナーや顧客にとって非常に役立ちます。 設計者は、パーツを作成したり、パーツを模倣したりするときに、それが長持ちするかどうかを知りたいと考えています。 |
| 故障までの時間の中央値が短くなるように、より高い温度またはより高い電力で動作するように部品を設計しているのでしょうか。 |
| また、顧客は、この部品をいつ実行するか、その部品がどのくらい持続するのかを知りたいと考えています。 そして、SOA が提供するのはその情報です。 |
| ここで提供する指標は、障害発生までの時間の中央値です。 他の指標を使用することもできます。 ??? を使用することもできる適合率を使用することもできますが、説明のために、ここでは失敗までの時間の中央値を使用しているだけです。 |
| これから示すように、さらに優れた指標は、故障までの時間の中央値の信頼限界を低くすることです。 より控えめな見積もりが得られます |
| したがって、最終的には、SOA により、温度と電力の間でトレードオフを行うことができるようになります。 これが SOA を示す等高線図です。 |
| これらの等高線は、故障までの時間の中央値を 10 を底とする対数です。 したがって、電力対温度があり、温度が低下し、電力が低下するにつれて、これらの等高線はますます大きくなります。 したがって、ご想像のとおりストレスを下げると、障害が発生するまでの時間の中央値が増加します。 |
| そして、企業目標があり、その企業目標が部品の耐久性、または故障までの時間の中央値が 10 ～ 6 時間を超えることであるとします。 |
| このマップを見ると、私たちが選択したパワーと温度の範囲では、私たちは黄金に輝いているように見えます。 ここには問題はありません。 障害が発生するまでの時間の中央値は、ゆうに 10 ～ 6 時間以上です。 |
| つまり、失敗時間の中央値は平均値であり、平均値は半分しか伝えていないことを認識する必要があることがわかります。 この推定の不確実性を認める何かをしなければなりません。 したがって、実際に私たちが行うことは、ここで失敗するまでの時間の中央値について、より低い会議限界を使用することです。 |
| したがって、これらの等高線が変化し、信頼限界の下限を使用しているため非常に低くなっていることがわかります。ここでは、この線によって 10 対 6 時間が与えられています。 |
| そして、それは今のところ到達範囲の一部にすぎないことがわかります。 それで、ここの緑、それはいいです。 右。 ここは安全に操作できますが、赤は危険です。 ここで走るのは安全ではありません。 ここはモンスターがいる場所です。 自分のパートをこれほど熱い状態で実行する必要はありません。 |
| また、これによりトレードオフを行うこともできます。 たとえば、設計者が自分の部分を 80 ℃で実行したいと考えたとします。 |
| 電力レベルが約 29.5 dBm 未満に保たれている限り、問題ありません。 |
| 同様に、部品を 90 ℃ で実行したいとします。 電力を十分に低く、たとえば 27.5 dBm に保つ限り、問題はありません。 右。 したがって、ここでは温度と電力の間でトレードオフを行うことができます。 |
| さて、それでは簡単にまとめます。 |
| そこで、定常ストレス試験とステップストレステストの違いを示し、シミュレートされたステップストレスデータから最尤推定値とBCa信頼限界を抽出する方法を示しました。 |
| そして、推定値と既知の真の値の間にかなり良い一致があることを実証しました。 加えて、 |
| BCa メソッドは非常にうまく機能し、テスト レベルごとにわずか 100 の n ブートと 5 つのパーツを使用した場合でも、約 95% のカバレッジを達成しました。 |
| そして、ブートストラップの反復回数やサンプルサイズを増やしても、そのカバレッジはあまり変化しませんでした。 ただし、信頼限界の幅には大きな変化が見られました。 |
| そして、そこでの結果は、ある種のトレードオフが可能であることを示しました。 繰り返しになりますが、シミュレーションから、実行する必要があるブートストラップの反復回数と、テスト条件ごとに実行する必要があるパーツの数を知ることができます。 |
| そして最終的に、私たちはこれらの最尤推定値とブートストラップ信頼限界を利用して、顧客と設計者に特定の T0/P0 の組み合わせがどの程度安全であるかに関するガイダンスを提供する SOA を作成しました。 |
| そして、その信頼性マップから、温度と電力の間のトレードオフを決定することができます。 |
| そして最後に、失敗までの時間の中央値の信頼の下限を使用することを示しました。 |
| は、SOA についてより控えめな見積もりを提供します。 したがって、本質的には、下限信頼限界を使用すると、SOA (安全な動作領域) が少し安全になります。 以上で私の話を終わります。 そして、お時間をいただきまして誠にありがとうございました。 |
